論文の概要: GraphCue for SDN Configuration Code Synthesis

• arxiv url: http://arxiv.org/abs/2512.17371v1
• Date: Fri, 19 Dec 2025 09:13:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-22 19:25:54.319162
• Title: GraphCue for SDN Configuration Code Synthesis
• Title（参考訳）: SDN構成コード合成のためのGraphCue
• Authors: Haomin Qi, Fengfei Yu, Chengbo Huang,
• Abstract要約: 自動構成のためのトポロジグラウンド検索とエージェント・イン・ザ・ループ・フレームワークであるGraphCueを提案する。 628のバリデーションケースでは、GraphCueは20イテレーションで88.2%のパスレートを獲得し、9秒で95%のバリデーションループを完了している。
• 参考スコア（独自算出の注目度）: 0.09558392439655013
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present GraphCue, a topology-grounded retrieval and agent-in-the-loop framework for automated SDN configuration. Each case is abstracted into a JSON graph and embedded using a lightweight three-layer GCN trained with contrastive learning. The nearest validated reference is injected into a structured prompt that constrains code generation, while a verifier closes the loop by executing the candidate configuration and feeding failures back to the agent. On 628 validation cases, GraphCue achieves an 88.2 percent pass rate within 20 iterations and completes 95 percent of verification loops within 9 seconds. Ablation studies without retrieval or structured prompting perform substantially worse, indicating that topology-aware retrieval and constraint-based conditioning are key drivers of performance.
• Abstract（参考訳）: 自動SDN構成のためのトポロジグラウンド検索およびエージェント・イン・ザ・ループフレームワークであるGraphCueを提案する。 各ケースはJSONグラフに抽象化され、コントラスト学習でトレーニングされた軽量な3層GCNを使用して埋め込まれる。 最寄りの検証された参照は、コード生成を制約する構造化プロンプトに注入され、検証者は、候補設定を実行し、失敗をエージェントに返送することでループを閉じる。 628のバリデーションケースでは、GraphCueは20イテレーションで88.2%のパスレートを獲得し、9秒で95%のバリデーションループを完了している。 検索や構造化プロンプトのないアブレーション研究は、トポロジを意識した検索と制約ベースの条件付けがパフォーマンスの重要な要因であることを示している。

関連論文リスト

• AutoGraphAD: A novel approach using Variational Graph Autoencoders for anomalous network flow detection [2.4159082914715495]
  AutoGraphADは異種変分グラフオートエンコーダに基づく教師なし異常検出手法である。 タイムウィンドウ内でネットワークアクティビティをキャプチャする接続ノードとIPノードで構成された異種グラフで動作する。 約1.18桁の高速トレーニングと1.03桁の高速推論を実現している。
  論文  参考訳（メタデータ） (2025-11-21T10:22:00Z)
• AST-Enhanced or AST-Overloaded? The Surprising Impact of Hybrid Graph Representations on Code Clone Detection [0.0]
  コードクローンはソフトウェアのメンテナンスコストを大幅に増加させ、脆弱性リスクを高める。 ASTは、その正確な構文構造表現により、ディープラーニングベースのコードクローン検出を支配している。 近年の研究では、ASTベースの表現をセマンティックグラフで豊かにすることでこの問題に対処している。
  論文  参考訳（メタデータ） (2025-06-17T12:35:17Z)
• ARCS: Agentic Retrieval-Augmented Code Synthesis with Iterative Refinement [1.980982378865332]
  ARCSは凍結モデル上で、予算化された合成実行再生ループを介して動作する。 生成前に関連するコードコンテキストを検索し、候補を提案し、テストに対して実行し、実行フィードバックに基づいて修正する。 LANLの科学コーパスでは、ベースラインRAGよりも+0.115改良されている。
  論文  参考訳（メタデータ） (2025-04-29T05:15:52Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• AEGNN: Asynchronous Event-based Graph Neural Networks [54.528926463775946]
  イベントベースのグラフニューラルネットワークは、標準のGNNを一般化して、イベントを"進化的"時間グラフとして処理する。 AEGNNは同期入力で容易に訓練でき、テスト時に効率的な「非同期」ネットワークに変換できる。
  論文  参考訳（メタデータ） (2022-03-31T16:21:12Z)
• Deep Structured Instance Graph for Distilling Object Detectors [82.16270736573176]
  本稿では,検出システム内の情報を利用して,検出知識の蒸留を容易にするための簡単な知識構造を提案する。 我々は,1段と2段の両方の検出器上で,多様な学生-教師ペアによるCOCOオブジェクト検出の課題に対して,新しい最先端の成果を達成した。
  論文  参考訳（メタデータ） (2021-09-27T08:26:00Z)
• Towards Efficient Graph Convolutional Networks for Point Cloud Handling [181.59146413326056]
  ポイントクラウド上で学習するためのグラフ畳み込みネットワーク(GCN)の計算効率の向上を目指します。 一連の実験により、最適化されたネットワークは計算複雑性を減らし、メモリ消費を減らし、推論速度を加速した。
  論文  参考訳（メタデータ） (2021-04-12T17:59:16Z)
• Sequential End-to-end Network for Efficient Person Search [7.3658840620058115]
  人物検出と人物再識別(re-ID)を共同で解決することを目的とした人物探索 既存の研究は、Faster R-CNNに基づくエンドツーエンドネットワークを設計している。 優れた特徴を抽出するためのシーケンシャルエンドツーエンドネットワーク(SeqNet)を提案する。
  論文  参考訳（メタデータ） (2021-03-18T10:28:24Z)
• Progressive Spatio-Temporal Graph Convolutional Network for Skeleton-Based Human Action Recognition [97.14064057840089]
  本稿では,グラフ畳み込みネットワークのためのコンパクトで問題固有のネットワークを,段階的に自動的に見つける手法を提案する。 骨格に基づく人体行動認識のための2つのデータセットの実験結果から,提案手法は競争力あるいはより優れた分類性能を有することが示された。
  論文  参考訳（メタデータ） (2020-11-11T09:57:49Z)
• Learning to Hash with Graph Neural Networks for Recommender Systems [103.82479899868191]
  グラフ表現学習は、大規模に高品質な候補探索をサポートすることに多くの注目を集めている。 ユーザ・イテム相互作用ネットワークにおけるオブジェクトの埋め込みベクトルの学習の有効性にもかかわらず、連続的な埋め込み空間におけるユーザの好みを推測する計算コストは膨大である。 連続的かつ離散的なコードとを協調的に学習するための,単純かつ効果的な離散表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-04T06:59:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。